TU Darmstadt / ULB / TUbiblio

Robuste Machine-Learning-Modelle und deren Plausibilisierung für die Anwendung im PKW-Thermomanagement

Korthals, Felix Alexander (2023)
Robuste Machine-Learning-Modelle und deren Plausibilisierung für die Anwendung im PKW-Thermomanagement.
Technische Universität Darmstadt
doi: 10.26083/tuprints-00026450
Dissertation, Erstveröffentlichung, Verlagsversion

Kurzbeschreibung (Abstract)

Steigende Energiepreise und neue Gesetzesrichtlinien zum Klimaschutz haben die Automobilindustrie dazu gezwungen, ihren Fokus in der Antriebsstrangentwicklung deutlich zu verändern. Das bisherige Streben nach Leistungssteigerung beim Verbrennungsmotor wurde durch den Fokus auf eine Flotte mit geringem CO2-Ausstoß und einem hohen Anteil an batterieelektrischen Fahrzeugen abgelöst. Die optimale Nutzung der Antriebsenergie steht dabei an erster Stelle und wird in allen Bereichen der Fahrzeugentwicklung angestrebt. Dabei kommt dem Thermomanagement eine wichtige Rolle zu. Durch eine prädiktive Temperaturregelung kann die verfügbare Energie sowohl bei Fahrzeugen mit Verbrennungsmotor als auch bei Fahrzeugen mit teil- oder vollelektrifiziertem Antriebsstrang effizient genutzt werden. Um energieeffiziente Lösungen zu entwickeln, sind die Software-Qualität und ein hoher Automatisierungsgrad essentiell. In Kombination mit datenbasierten Methoden kann in kurzer Zeit eine große Anzahl an Funktionen für unterschiedliche Varianten erstellt werden. In dieser Arbeit wird ein automatisierter und datenbasierter Modellierungsprozess unter Verwendung von Fahrzeugmessdaten entwickelt. Dazu werden die vorhandenen Kommunikationsschnittstellen zwischen Fahrzeug und Cloud-Backend genutzt, um eine Machine Learning (ML)-Pipeline auf skalierbaren Cloud-Ressourcen zu entwickeln und zu implementieren. So können ML-Modelle mit einer besseren Modellgüte in einem automatisierten Ablauf erstellt und an das Fahrzeug gesendet werden. Dadurch wird der manuelle Kalibrierungsaufwand für die Regelungsmodelle reduziert. Bisher verwendete physikalisch motivierte Ersatzmodelle werden durch ML-Modelle substituiert. Durch die Automatisierung mittels der ML-Pipeline kann der gesamte Entwicklungsprozess von Regelungsmodellen beschleunigt werden. Die benötigten Trainingsdaten werden vom Fahrzeug an ein Cloud-Backend übertragen und dort vorverarbeitet. In zwei Fallstudien werden geeignete künstliche neuronale Netzwerkarchitekturen untersucht und bewertet. Zusätzlich wird eine Methodik zur Plausibilisierung der Modellberechnungen eingeführt. Sie basiert auf den verwendeten Trainingsdaten und verknüpft zulässige Ausgangsdatenräume mit sogenannten Backwards Reachable Sets. Für Lipschitz-stetige Feedforward Neural Networks mit Rectified Linear Units kann so eine rückverknüpfte Plausibilitätsanalyse durchgeführt werden. Damit können Modellberechnungen als plausibel oder implausibel klassifiziert werden. In der Anwendung liefern die ML-Modelle eine bessere Modellgüte als die bisher eingesetzten physikalisch motivierten Ersatzmodelle. Für den Zielanwendungsfall auf Vorausschaudaten lässt sich so eine genauere Berechnung des zu erwartenden Energieeintrags in den Kühlkreislauf erstellen. Die Verwendung der serienmäßig verfügbaren Fahrzeugkommunikationsschnittstelle und eines cloudbasierten Trainings ermöglicht eine automatisierte Anpassung der auf dem Fahrzeug ausgeführten Regelungsmodelle. Damit kann der Entwicklungsprozess in die Cloud verlagert werden. Durch skalare Gütekriterien und ein standardisiertes Vorgehen können Modelle mit höherer Güte in kürzerer Zeit bereitgestellt werden.

Typ des Eintrags: Dissertation
Erschienen: 2023
Autor(en): Korthals, Felix Alexander
Art des Eintrags: Erstveröffentlichung
Titel: Robuste Machine-Learning-Modelle und deren Plausibilisierung für die Anwendung im PKW-Thermomanagement
Sprache: Deutsch
Referenten: Rinderknecht, Prof. Dr. Stephan ; Peters, Prof. Dr. Steven
Publikationsjahr: 22 Dezember 2023
Ort: Darmstadt
Kollation: xvi, 134 Seiten
Datum der mündlichen Prüfung: 27 Juni 2023
DOI: 10.26083/tuprints-00026450
URL / URN: https://tuprints.ulb.tu-darmstadt.de/26450
Kurzbeschreibung (Abstract):

Steigende Energiepreise und neue Gesetzesrichtlinien zum Klimaschutz haben die Automobilindustrie dazu gezwungen, ihren Fokus in der Antriebsstrangentwicklung deutlich zu verändern. Das bisherige Streben nach Leistungssteigerung beim Verbrennungsmotor wurde durch den Fokus auf eine Flotte mit geringem CO2-Ausstoß und einem hohen Anteil an batterieelektrischen Fahrzeugen abgelöst. Die optimale Nutzung der Antriebsenergie steht dabei an erster Stelle und wird in allen Bereichen der Fahrzeugentwicklung angestrebt. Dabei kommt dem Thermomanagement eine wichtige Rolle zu. Durch eine prädiktive Temperaturregelung kann die verfügbare Energie sowohl bei Fahrzeugen mit Verbrennungsmotor als auch bei Fahrzeugen mit teil- oder vollelektrifiziertem Antriebsstrang effizient genutzt werden. Um energieeffiziente Lösungen zu entwickeln, sind die Software-Qualität und ein hoher Automatisierungsgrad essentiell. In Kombination mit datenbasierten Methoden kann in kurzer Zeit eine große Anzahl an Funktionen für unterschiedliche Varianten erstellt werden. In dieser Arbeit wird ein automatisierter und datenbasierter Modellierungsprozess unter Verwendung von Fahrzeugmessdaten entwickelt. Dazu werden die vorhandenen Kommunikationsschnittstellen zwischen Fahrzeug und Cloud-Backend genutzt, um eine Machine Learning (ML)-Pipeline auf skalierbaren Cloud-Ressourcen zu entwickeln und zu implementieren. So können ML-Modelle mit einer besseren Modellgüte in einem automatisierten Ablauf erstellt und an das Fahrzeug gesendet werden. Dadurch wird der manuelle Kalibrierungsaufwand für die Regelungsmodelle reduziert. Bisher verwendete physikalisch motivierte Ersatzmodelle werden durch ML-Modelle substituiert. Durch die Automatisierung mittels der ML-Pipeline kann der gesamte Entwicklungsprozess von Regelungsmodellen beschleunigt werden. Die benötigten Trainingsdaten werden vom Fahrzeug an ein Cloud-Backend übertragen und dort vorverarbeitet. In zwei Fallstudien werden geeignete künstliche neuronale Netzwerkarchitekturen untersucht und bewertet. Zusätzlich wird eine Methodik zur Plausibilisierung der Modellberechnungen eingeführt. Sie basiert auf den verwendeten Trainingsdaten und verknüpft zulässige Ausgangsdatenräume mit sogenannten Backwards Reachable Sets. Für Lipschitz-stetige Feedforward Neural Networks mit Rectified Linear Units kann so eine rückverknüpfte Plausibilitätsanalyse durchgeführt werden. Damit können Modellberechnungen als plausibel oder implausibel klassifiziert werden. In der Anwendung liefern die ML-Modelle eine bessere Modellgüte als die bisher eingesetzten physikalisch motivierten Ersatzmodelle. Für den Zielanwendungsfall auf Vorausschaudaten lässt sich so eine genauere Berechnung des zu erwartenden Energieeintrags in den Kühlkreislauf erstellen. Die Verwendung der serienmäßig verfügbaren Fahrzeugkommunikationsschnittstelle und eines cloudbasierten Trainings ermöglicht eine automatisierte Anpassung der auf dem Fahrzeug ausgeführten Regelungsmodelle. Damit kann der Entwicklungsprozess in die Cloud verlagert werden. Durch skalare Gütekriterien und ein standardisiertes Vorgehen können Modelle mit höherer Güte in kürzerer Zeit bereitgestellt werden.

Alternatives oder übersetztes Abstract:
Alternatives AbstractSprache

Rising energy prices and new legislation on climate protection have forced the automotive industry to significantly change its focus concerning powertrain development. The previous pursuit of increasing the performance of combustion engines has been replaced by focusing on a fleet with minimal CO2 emissions and a high proportion of battery electric vehicles. The optimal usage of the operating power is the most important task for all domains of vehicle development. The thermal management plays an important role in this system. A predictive temperature control can support to make use of the available energy in an efficient way. This is true for vehicles with internal combustion engine as well as for fully electrified powertrains. To develop energy efficient solutions, software quality and a high degree of automation is essential. Combined with data-based methods a large number of functions for different variants can be created in a short amount of time. In this work an automated and data-based modeling process is being developed using vehicle measurement data. Therefore, the existing communication interfaces between vehicle and cloud backend are used to develop and implement an ML pipeline on scalable cloud resources. This way, ML models of better model quality can be created in an automated workflow and can be transferred to the vehicle. This is reducing the manual effort of calibrating control models. Currently used physically motivated substitute models are replaced by ML models. By using the automation of the ML pipeline, the whole development process of control models can be accelerated. Necessary training data is transferred from vehicle to a cloud backend, where it gets preprocessed. In two case studies suitable architectures of artificial neural networks are analyzed and evaluated. Additionally, a method to assess the plausibility of ML model calculations is developed. This method is based on utilized training data and is linking valid output data domains with Backwards Reachable Sets. For Lipschitz-continuous Feedforward Neural Networks with Rectified Linear Units a backwards reachable plausibility assessment can be performed. In this way model calculations can be classified as plausible or implausible. In use, the ML models provide a better model quality as the up to now used physically motivated substitute models. This leads to a more precise calculation of the expected energy input into the cooling circuit for the target use case on prediction data. The utilization of the standard vehicle communication unit and of a cloud-based training is enabling an automated adaption of the control models run on the vehicle. As a result, the development process can be shifted to the cloud. By using scalar model quality criteria and a standardized approach, ML models can be provided with higher model quality in shorter time.

Englisch
Status: Verlagsversion
URN: urn:nbn:de:tuda-tuprints-264500
Sachgruppe der Dewey Dezimalklassifikatin (DDC): 600 Technik, Medizin, angewandte Wissenschaften > 620 Ingenieurwissenschaften und Maschinenbau
Fachbereich(e)/-gebiet(e): 16 Fachbereich Maschinenbau
16 Fachbereich Maschinenbau > Institut für Mechatronische Systeme im Maschinenbau (IMS)
Hinterlegungsdatum: 22 Dez 2023 13:10
Letzte Änderung: 28 Dez 2023 07:35
PPN:
Referenten: Rinderknecht, Prof. Dr. Stephan ; Peters, Prof. Dr. Steven
Datum der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 27 Juni 2023
Export:
Suche nach Titel in: TUfind oder in Google
Frage zum Eintrag Frage zum Eintrag

Optionen (nur für Redakteure)
Redaktionelle Details anzeigen Redaktionelle Details anzeigen